字节跳动
校招AI Agent研发工程师 - AI算力基础设施
北京/上海/杭州/西安 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历，计算机、软件工程、人工智能等相关专业优先
- 掌握扎实的计算机基础与算法功底，熟练掌握至少一门编程语言（Go/Python/C++/Java等）
- 对大模型与AI Agent领域有强烈兴趣，了解主流大模型能力边界、Agent基本机制（工具调用、上下文与记忆、任务编排等）
- 熟悉Prompt Engineering、RAG、LangChain/LangGraph/AutoGen、MCP等其中一种技术栈者优先
- 具备良好的系统思维与抽象能力，能够在复杂协作场景下拆解问题、设计可演进的方案
- 求知欲强、学习能力突出，能够及时跟进业界前沿技术；具备良好的沟通与协作能力。
- 加分项
- 有Agent、LLM应用、RAG、知识库、Plugin/MCP等相关项目经验或开源贡献
- 使用或研究过LangGraph、Claude Code、Codex、Hermes、Computer Use、Agent Skills等前沿框架或工具
- 有大规模在线系统、工作流引擎、平台化产品或高并发服务的研发经验
- 具备强化学习、规划算法实践经验，对Agentic AI研发范式有深入理解者优先
- 参与过学术论文、竞赛或社区分享，具备良好的技术表达与写作能力。
岗位描述
团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。
- 1、参与企业级AI Agent Infra的核心建设，打造Agent的身份、权限、记忆、工具、观测与治理等运行时能力，让Agent真正成为可在生产环境运行的新型“应用形态”；
- 2、参与IaaS AI Agent套件研发，构建稳定可靠的Agent Infra，涵盖Agent相关云服务基础能力开发，探索技术创新，助力AI原生能力规模化实施；
- 3、参与高性能Agent开发框架的设计与实现，支撑多Agent协作、任务编排、长任务执行、复杂工作流等真实企业场景；
- 4、参与企业级AI Agent架构设计与实现，包括Agent架构演进、上下文工程、评测和观测等技术方向；
- 5、参与并迭代Agent链路与模型的评估体系，通过Prompt Engineering、SFT、RL等方法提升Agent能力上限；探索Agent Skills、MCP、Computer Use、Plugin等业界前沿方向，把底层AI能力包装为可复用、可分发、可持续成长的平台能力。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。